Проектная работа

Рынок заведений общественного питания Москвы

Описание проекта Инвесторы из фонда «Shut Up and Take My Money» решили попробовать себя в новой области и открыть заведение общественного питания в Москве. Заказчики ещё не знают, что это будет за место: кафе, ресторан, пиццерия, паб или бар, — и какими будут расположение, меню и цены. Для начала они просят вас — аналитика — подготовить исследование рынка Москвы, найти интересные особенности и презентовать полученные результаты, которые в будущем помогут в выборе подходящего инвесторам места. Описание данных Файл *moscow_places.csv*: * name — название заведения; - address — адрес заведения; - category — категория заведения, например «кафе», «пиццерия» или «кофейня»; - hours — информация о днях и часах работы; - lat — широта географической точки, в которой находится заведение; - lng — долгота географической точки, в которой находится заведение; - rating — рейтинг заведения по оценкам пользователей в Яндекс Картах (высшая оценка — 5.0); - price — категория цен в заведении, например «средние», «ниже среднего», «выше среднего» и так далее; - avg_bill — строка, которая хранит среднюю стоимость заказа в виде диапазона, например: *«Средний счёт: 1000–1500 ₽»;* *«Цена чашки капучино: 130–220 ₽»;* *«Цена бокала пива: 400–600 ₽».* *и так далее;* - middle_avg_bill — число с оценкой среднего чека, которое указано только для значений из столбца avg_bill, начинающихся с подстроки «Средний счёт»: Если в строке указан ценовой диапазон из двух значений, в столбец войдёт медиана этих двух значений. Если в строке указано одно число — цена без диапазона, то в столбец войдёт это число. Если значения нет или оно не начинается с подстроки «Средний счёт», то в столбец ничего не войдёт. - middle_coffee_cup — число с оценкой одной чашки капучино, которое указано только для значений из столбца avg_bill, начинающихся с подстроки «Цена одной чашки капучино»: Если в строке указан ценовой диапазон из двух значений, в столбец войдёт медиана этих двух значений. Если в строке указано одно число — цена без диапазона, то в столбец войдёт это число. Если значения нет или оно не начинается с подстроки «Цена одной чашки капучино», то в столбец ничего не войдёт. chain — число, выраженное 0 или 1, которое показывает, является ли заведение сетевым (для маленьких сетей могут встречаться ошибки): 0 — заведение не является сетевым 1 — заведение является сетевым - district — административный район, в котором находится заведение, например Центральный административный округ; - seats — количество посадочных мест. Ход исследования - Изучение общей информации - Предобработка данных - Анализ данных - Детализируем исследование: открытие кофейни - Подготовка презентации

Шаг 1. Изучение общей информации

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
%matplotlib inline
from pandas.plotting import register_matplotlib_converters
register_matplotlib_converters()
from pandas.plotting import register_matplotlib_converters
import warnings

import plotly.graph_objects as go
import plotly.express as px
import plotly.offline as offline

fig = go.Figure(data=[go.Bar(y=[2, 3, 1])])
offline.plot(fig, filename='my_plot.html')

import json
import requests
from folium import Map, Choropleth, Marker, Icon
from folium.plugins import MarkerCluster
import folium
from plotly.subplots import make_subplots
from folium import Map, Choropleth
from branca.colormap import LinearColormap
from folium import plugins

df = pd.read_csv('/datasets/moscow_places.csv')
df

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8401	Суши Мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	NaN	NaN	NaN	NaN	0	86.0
8402	Миславнес	кафе	Москва, Пролетарский проспект, 19, корп. 1	Южный административный округ	ежедневно, 08:00–22:00	55.640875	37.656553	4.8	NaN	NaN	NaN	NaN	0	150.0
8403	Самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	NaN	Средний счёт:от 150 ₽	150.0	NaN	0	150.0
8404	Чайхана Sabr	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	NaN	NaN	NaN	NaN	1	150.0
8405	Kebab Time	кафе	Москва, Россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	NaN	NaN	NaN	NaN	0	12.0

8406 rows × 14 columns

print('Количество заведений:', df['name'].nunique())

Количество заведений: 5614

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB

df.describe()

	lat	lng	rating	middle_avg_bill	middle_coffee_cup	chain	seats
count	8406.000000	8406.000000	8406.000000	3149.000000	535.000000	8406.000000	4795.000000
mean	55.750109	37.608570	4.229895	958.053668	174.721495	0.381275	108.421689
std	0.069658	0.098597	0.470348	1009.732845	88.951103	0.485729	122.833396
min	55.573942	37.355651	1.000000	0.000000	60.000000	0.000000	0.000000
25%	55.705155	37.538583	4.100000	375.000000	124.500000	0.000000	40.000000
50%	55.753425	37.605246	4.300000	750.000000	169.000000	0.000000	75.000000
75%	55.795041	37.664792	4.400000	1250.000000	225.000000	1.000000	140.000000
max	55.928943	37.874466	5.000000	35000.000000	1568.000000	1.000000	1288.000000

Комментарий:

Всего представлено 5614 уникальных заведений. На первый взгяд много пропусков. Можно посчитать долю пустых значений этих столбцов для наглядности. Есть довольно высокая оценка среднего чека - 35000, также максимальное колиество посадочных мест - 1288 (это очень много). Тип столбца seats 64-битное число с плавающей запятой, что некорректно.

Шаг 2. Предобработка данных

df.groupby('seats')['name'].max()

seats
0.0           Японская кухня
1.0                   Шаурма
2.0        Японские традиции
3.0              Юнус Халяль
4.0              Шаурму Х@чу
                 ...        
760.0                    Дом
920.0         Стейк & Бургер
1040.0           Шоколадница
1200.0    РестоБар Argomento
1288.0        Японская кухня
Name: name, Length: 229, dtype: object

Огромное количество посадочных мест в заведении 'японская кухня'. Непохоже на название, возможно стоит удалить такие места, чтобы не исказить данные выбросами.

df.groupby('name')['seats'].count().sort_values(ascending=False)

name
Шоколадница          83
Кафе                 74
Додо Пицца           62
Домино'с Пицца       61
One Price Coffee     52
                     ..
Маренго               0
Royal hookah          0
Romashoff             0
Roma Pizza Coffee     0
#КешбэкКафе           0
Name: seats, Length: 5614, dtype: int64

df['seats'].max()

1288.0

df.loc[df['seats'] > 500, 'seats'].count()

56

df.groupby(by='category', as_index=False).agg(
    min=('seats', 'min'),
    max=('seats', 'max'),
    mean=('seats', 'mean'),
    median=('seats', 'median'))

	category	min	max	mean	median
0	бар,паб	0.0	1288.0	124.532051	82.5
1	булочная	0.0	625.0	89.385135	50.0
2	быстрое питание	0.0	1040.0	98.891117	65.0
3	кафе	0.0	1288.0	97.512315	60.0
4	кофейня	0.0	1288.0	111.199734	80.0
5	пиццерия	0.0	1288.0	94.496487	55.0
6	ресторан	0.0	1288.0	121.944094	86.0
7	столовая	0.0	1200.0	99.750000	75.5

def seats_category(seats):
    if (seats != seats):
        return np.nan
    seats = int(seats)
    if (seats == 0):
        return '0'
    elif (seats <= 25):
        return 'Очень малые (1 - 25)'
    elif (seats <= 50):
        return 'Малые (26 - 50)'
    elif (seats <= 100):
        return 'Средние (51 - 100)'
    elif (seats <= 250):
        return 'Крупные (101 - 250)'
    elif (seats <= 500):
        return 'Очень крупные (251 - 500)'
    else:
        return 'Аномальные (501 +)'
    
df['seats_category']  = df['seats'].apply(seats_category)

category_and_seats=df.groupby(['category', 'seats_category'], as_index=False).agg(count=('category', 'count')).sort_values('count', ascending=False)

fig = px.bar(
    category_and_seats,
    x='category',
    y='count',
    title='Распределение заведений по категориям посадочных мест',
    color='seats_category')

fig.update_layout(
    xaxis_title='Категория заведения',
    yaxis_title='Количество заведений',
    xaxis_tickangle=-45,
    xaxis={'categoryorder':'total descending'}
)
fig.show()

Комментарий:

• Во многих категориях доминируют средние заведения (51 - 100 посадочных мест).
• Среди ресторанов распространены крупные заведения (101-250).
• Также распространены малые заведения в категории кафе (26-50).

print('Дубликатов:', df.duplicated().sum())

Дубликатов: 0

Явных дубликатов нет, посмотрим неявные. Наверняка заведений с одинаковым названием, улицей и районом нет.

df['name'] = df['name'].str.lower()

df[df.duplicated(subset = ['name', 'address', 'district'], keep=False)]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	seats_category
1430	more poke	ресторан	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	ежедневно, 09:00–21:00	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	0	188.0	Крупные (101 - 250)
1511	more poke	ресторан	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-чт 09:00–18:00; пт,сб 09:00–21:00; вс 09:00...	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	1	188.0	Крупные (101 - 250)
2211	раковарня клешни и хвосты	ресторан	Москва, проспект Мира, 118	Северо-Восточный административный округ	ежедневно, 12:00–00:00	55.810553	37.638161	4.4	NaN	NaN	NaN	NaN	0	150.0	Крупные (101 - 250)
2420	раковарня клешни и хвосты	бар,паб	Москва, проспект Мира, 118	Северо-Восточный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–01:00; вс 12:00...	55.810677	37.638379	4.4	NaN	NaN	NaN	NaN	1	150.0	Крупные (101 - 250)
3091	хлеб да выпечка	булочная	Москва, Ярцевская улица, 19	Западный административный округ	ежедневно, 09:00–22:00	55.738886	37.411648	4.1	NaN	NaN	NaN	NaN	1	276.0	Очень крупные (251 - 500)
3109	хлеб да выпечка	кафе	Москва, Ярцевская улица, 19	Западный административный округ	NaN	55.738449	37.410937	4.1	NaN	NaN	NaN	NaN	0	276.0	Очень крупные (251 - 500)

3 совпадения, удалим их.

df.drop_duplicates(subset=['name', 'address', 'district'], keep='first', inplace=True)
df.duplicated(subset = ['name', 'address', 'district']).sum()

0

df['name'].to_list()

['wowфли',
 'четыре комнаты',
 'хазри',
 'dormouse coffee shop',
 'иль марко',
 'sergio pizza',
 'огни города',
 'mr. уголёк',
 'donna maria',
 'готика',
 'great room bar',
 'шашлык шефф',
 'заправка',
 'буханка',
 'у сильвы',
 'дом обеда',
 'база стритфуд',
 'чайхана беш-бармак',
 'час-пик',
 'пекарня',
 'чебуреки манты',
 '7/12',
 'крымские чебуреки',
 'буханка',
 'drive café',
 'в парке вкуснее',
 'пикочино',
 'шаурму х@чу',
 'mafe',
 'кушай город',
 'кафедра',
 'алталия',
 'додо пицца',
 'изба',
 "домино'с пицца",
 'виладж пицца',
 'пекарня № 1 грузинская кухня',
 'халяль закусочная',
 'ижора',
 'шаурмагия',
 'кафе',
 'крошка картошка',
 'варня кафе',
 'суши & пицца',
 'кафетерий',
 '9 bar coffee',
 'cofefest',
 'кафе',
 'блинбери',
 '2u-ту-ю',
 'шаурма',
 'арамье',
 'cofix',
 'royal coffee',
 'шашлык',
 'чебуреки и манты',
 'рыба из тандыра',
 'мир пиццы',
 "coffeekaldi's",
 'хинкали gали!',
 'чебуречная история',
 'кафе лоза',
 'пить есть!',
 'pizza hut',
 'testo мания',
 'альбатрос',
 'молинари',
 'штаб квартира',
 'мимино',
 'алазанская долина',
 'гуава бар',
 'cofefest',
 'лакрица',
 'веранда',
 'хинкали-gали!',
 'хинкали-gали!',
 'ресторан купец',
 'оазис',
 'ресторан самарканд',
 'ресторан landau cafe & grill bar',
 'му-му',
 'coffee way',
 'пиросмани',
 'аль-бухари',
 'meat doner kebab',
 'дежене',
 'халяль',
 'гриль хаус',
 'zамания',
 'сахарочек',
 'кафе на пришвина',
 'шашлык',
 'лавашок',
 'jamamai asian kitchen & bar',
 "домино'с пицца",
 'додо пицца',
 'cofefest',
 'жигулевское',
 'тбилисоба',
 'чайхана омад',
 'take and wake',
 'шаурмовик',
 'мята signature алтуфьево',
 'тетри',
 'pho street',
 'star hit cafe',
 'вектор',
 'теремок',
 'кафе',
 'чайхана',
 'ocean лав',
 'алазани',
 'pho ханой',
 'bowl family',
 'островок суши',
 'сеть поминальных залов',
 'алло! пицца',
 'ретро нью',
 'cofefest',
 'додо пицца',
 'два бобра',
 'встреча',
 'жарим мясо',
 'кафе',
 'шашлык хаус',
 'лотос',
 'кулинария',
 'арарат',
 'калина',
 'pizza sole',
 'meatлав',
 'crosseat',
 'пекарня-шаурма',
 'крепери',
 'van house',
 'чудо печка',
 'ho chu pho',
 'get and fly',
 'хинкальная',
 'шеф бургер',
 'парус',
 'кафе',
 'кулинария',
 'one price coffee',
 'art coffee club',
 'пеликан',
 'скалка',
 'кофетун-сушитун',
 'халяль',
 'коффе души',
 'правда',
 'шоколадница',
 'все шашлыки',
 'магбургер',
 'бистро 24',
 'поляна',
 'бобры',
 'линии вкуса',
 'палки-скалки',
 'кафе',
 'лакафе',
 "домино'с пицца",
 'яндекс лавка',
 'wild bean cafe',
 'эстетик',
 'флокс',
 'бута бар',
 'узбекистан',
 'шаурма на углях',
 "домино'с пицца",
 'кафе луна',
 'one price coffee',
 'menza',
 'булкер',
 'домовёнок кузя',
 'ресторан',
 'вуди пицца',
 'арамье',
 'кушай город',
 'буханка',
 'fresita pizza',
 'fire',
 'карелия',
 'кафе',
 'мосплов',
 'донер кебаб',
 'фри фло бар',
 'cofefest',
 'сушистор',
 'кафе',
 'кафе',
 'кулинарный дворик 1996',
 'шаурма',
 'яндекс лавка',
 'ленкорань',
 'sushi city',
 'донер-шашлык',
 'ош',
 'толстяк',
 'мастер вкуса',
 'wild bean',
 'восточная кухня',
 'i-coffee. me',
 'тандыр № 1',
 'пицца фалафилло халяль',
 'еда greek',
 'vintage',
 'mr. пи',
 'чайхана',
 'кафе',
 'центр вкуса',
 'неаполитан пицца',
 'яндекс лавка',
 'семьяне',
 'family cafe',
 'кафе',
 'грузинский бульвар',
 '16 июня',
 'джари',
 'бистро хинкальная',
 'тбилисо',
 'глобус ресторан',
 'андерсон',
 'the zavtrak',
 'обжора',
 'rozie bakery',
 'чайхана ташкент',
 'ла гатта',
 'мск lounge',
 'свои люди',
 'мегаполис кафе',
 'dolce & gamarjoba',
 'полярная звезда',
 'шашлычный дворик',
 'chicken father',
 'аршин',
 'maппа',
 'империал',
 'причина для капучино',
 'уголёк',
 'шоколадница',
 'алиби',
 'греческая кухня',
 'хлеб с маслом',
 'ресторан дежа вю',
 'буханка',
 'самса хаус',
 'тайна',
 'антик',
 'шаурма и бургер',
 'ани',
 'еда greek',
 'сеть кафе зарядка',
 'чайхана найман',
 'ай эм конфидент',
 'чайхана самарканд',
 'додо пицца',
 'x-ti гастробар',
 'буханка',
 'чайхана москва-ташкент',
 'кулинария',
 'кафетерий при азк 317',
 'doner & tantuni',
 'доминос пицца',
 'акбаш',
 'пицца 28 сантиметров',
 'пекарня&донер',
 'кафе-кофе',
 'тандыр № 1',
 'скалка',
 'guru',
 'алали',
 'крошка картошка',
 'pho oanh',
 'чайхана',
 'додо пицца',
 'mr. колобокок',
 "pho' mos",
 'muine',
 'сладкие минуты',
 'кофе-сэндвичи',
 'донер и выпечка',
 'светлана',
 'рестоль',
 'центр плов',
 'пицца',
 'шашлычный дворик',
 'royal hookah',
 'ресторан',
 'пеко',
 'шаурма',
 'мясная кулинария',
 'волга-волга',
 'parkhouse',
 'kurnik',
 'мерси баку',
 'аморино',
 'ла гатта',
 'чайхана ором +24',
 'калитки',
 "ресторан стейк's",
 'лавлаваш',
 'легенда',
 'signora',
 'forest lounge',
 'mansard restaurant and hall',
 'everest coffee',
 'грузинский дом у наны',
 'старые друзья',
 'легенда самарканда',
 'vasilchukí chaihona №1',
 'тануки',
 'рандеву',
 'zotto',
 'сундук',
 'ярмарка морских блюд',
 'груша',
 'vоdный',
 'дружба',
 'мархал',
 'паб-ресторан cuba',
 'hatimaki',
 'хинкали-gали!',
 'джонджоли',
 'иду лесом',
 'pho city',
 'барkas',
 'hatimaki',
 'у михалыча',
 'скалка',
 'sushiball',
 'юг',
 'тони пиццони',
 'viet ngon',
 'бургер х@чу',
 'molto bello',
 'нугбари',
 'пекарня маковка',
 'чайхона айва',
 'чайхона № 1',
 'vasilchukí chaihona №1',
 'чайхана баракат',
 'эрмитаж',
 'шоколадница',
 'coffee moose',
 'кофе тема',
 'пилпили',
 "coffeebar'17",
 'meat лав',
 'трактир на лодочной',
 'гран торино пицца',
 'маковка',
 'tropic coffee',
 'нэм нэм',
 'стар самарканд',
 'княжий дворик',
 'мархал',
 'братья гримм',
 'уголок',
 'кофе с собой кофемол',
 'шоколадница',
 'моспончики',
 'му-му',
 'ла гатта',
 'кондитерская олега ильина',
 'гранд',
 'гемри&эли хинкальная',
 'мосшашлык',
 'мск lounge',
 'горячая выпечка',
 'viet ngon',
 'мир шашлыков',
 'ыссык-кол',
 'виват пицца',
 'вельвет',
 'сходненская56',
 'чебуреки манты',
 'пивной ресторан пив&ко',
 'кафе-пекарня',
 'самарканд',
 'чайхана 24',
 'шоколадница',
 'halal food',
 'french bakery',
 'drive café',
 'o.k. coffee',
 'ngon',
 'чайхана кумыс',
 'via pомано',
 'sport club g5+',
 'премьер пицца',
 'корнели пицца',
 'кеклик',
 'гурман-кафе',
 'чайхана',
 'спорт кафе',
 'франклинс бургер',
 'плов центр',
 'легенда',
 'самарканд',
 'mr. brown',
 'аморет',
 'серебряная ложка',
 'дон тантуни',
 'шашлыкофф',
 'bierлога',
 'шаурма мир вокруг',
 'паровозик',
 'кофейня свежий номер',
 'кафе-бар улыбка',
 'огни востока',
 'кетчуп & горчица',
 'тбилисоба',
 'парус',
 'mr. ambar',
 'юма',
 'чайхана халал',
 'сибирская корона',
 'эллилагер',
 'cofix',
 'профессоре',
 'кружка паб',
 "coffeebar'17",
 'удача',
 'паб 28/13',
 'кафе court',
 'грузинка',
 'вкинобар',
 'кружка паб',
 'мята lounge',
 '10 идеальных пицц',
 'сакура',
 'додо пицца',
 'little panda cafe',
 'кафе 11/11',
 'pizza express 24',
 'one price coffee',
 'буханка',
 'кафе бригантина',
 'лаззат',
 'хлеб хаус',
 'халяльная еда',
 'регар сити',
 'нияма',
 'coffee and the city',
 'кофе твой друг',
 'домашний вкус',
 'ели шашлык',
 'pizza express 24',
 'чудо тандыр',
 'чайхана халаль',
 'drive café',
 'мясо&паста',
 'sedelice',
 'алло! пицца',
 'шоколадница',
 'one price coffee',
 'drive café',
 'one price coffee',
 'теремок',
 'адажио',
 'чайхана хизмат',
 'додо пицца',
 'мерлин',
 'чайхана райан',
 'бота',
 'шах-даг',
 'мэри групп',
 'foodkido',
 'библиотека путешествий',
 'pizza mafia',
 'додо пицца',
 'кафе-клуб сказка',
 'коп-team',
 'сушистор',
 'korean chick',
 "домино'с пицца",
 'cofix',
 'чайхона',
 'гурмэ ланч',
 'грузинская лавка',
 'pastas & tapas',
 'ресторан вьетнамской кухни бик-кау',
 'шоколадница',
 'фастфуд',
 "домино'с пицца",
 'додо пицца',
 'кафе-столовая',
 'магазин шашлыка № 1',
 'cofix',
 'бик кау',
 'арамье',
 'cinnabon',
 "домино'с пицца",
 'старая арба',
 'one price coffee',
 'чайхана регар',
 'самарканд',
 'донер кебаб',
 'столовая',
 'кафешка',
 'vua pho',
 'кафе чудо',
 'додо пицца',
 'буше на свободе',
 'хинкарули',
 'виктория',
 'кафе',
 'алаверды',
 'шаурма',
 'шеff накормит',
 'долина вкуса',
 'шоколадница',
 'долина № 1',
 'донер кебаб',
 'столовая',
 'coffee break',
 'шашлычная-шашлындос',
 'cofix',
 'шаурма',
 'vse-em',
 'рандеву',
 'буханка',
 'cofix',
 'коксинель',
 'огонек',
 'живое пиво',
 'ресторан',
 'workout bar',
 'шоколадница',
 'шашлычная',
 'arzon food',
 'хлебный двор',
 'кафе',
 'узбечка',
 'пекарня',
 'cafeterius simple',
 'кафе',
 'pho hanoi',
 'french bakery',
 'city life',
 'пляж-ресторан речной',
 'coffee guru',
 'столовая',
 'крошка картошка',
 'додо пицца',
 'que me',
 "домино'с пицца",
 'кофепорт',
 'pho 73',
 'гастро бистро шаверма-братуха',
 'кофе с собой а&m',
 'кафе',
 'донер тандыр',
 'пекарня 24',
 'styling bull cafe',
 'sushi-das.ru',
 'луна',
 'добродомик офис',
 'one price coffee',
 'pizzaloca',
 'стейки good prime',
 'мир плова и шашлыка',
 '69 раков',
 'кафе бар',
 'boulangerie',
 'ресторан',
 'dimsum & co',
 'буханка',
 'фрешка',
 'new sushi',
 'чемпион',
 'шаурмангал',
 'ковчег',
 'пекарня',
 'скалка',
 'espresso patronum',
 'чай хана халал',
 'шашлычков',
 'arzon',
 'caffa',
 'шаурма 24 гриль',
 'кафе',
 'донер хаус',
 'кафе',
 'кафе',
 'столовая',
 "домино'с пицца",
 'фо тхин. phở thìn',
 'чайхана элина',
 'донерок',
 'ann joy',
 'нтс',
 'кафе',
 'вояж',
 'трдельнишная',
 'кафе регистон',
 'поминальные обеды',
 'кафе-столовая',
 'в парке вкуснее!',
 'в парке вкуснее',
 'аль баракат',
 'кафе',
 'чайная',
 'кулинария на сходненской',
 'cinnabon',
 'top java',
 'captain gyros',
 'coffprice',
 'city life',
 'напитки со всего мира',
 'бота',
 "домино'с пицца",
 'wаурма',
 'кафе',
 'julibon cafe',
 'zeкафетерия',
 'дом пива',
 'черепашка',
 'fruitsberry',
 'избёнка',
 'узбекская национальная кухня',
 'шаурма на районе № 1',
 'solotreid',
 'соседи',
 'autostory',
 'кафе-столовая',
 'чайхана у самвела',
 'кафе',
 'додо пицца',
 'l cafe',
 'правда кофе',
 'донер кебаб',
 'домашняя еда',
 'пекарня24донер',
 '13 chef doner',
 'оля',
 'халяль',
 'паназиатская кухня',
 'восточная кухня',
 'кафе-бар',
 'крошка картошка',
 'топор',
 'ссср',
 'столовая',
 'бистро',
 'кафе',
 'i-chef бистро',
 'accent',
 'фуд-холл 2 быка',
 'mfc foods',
 'sushitop',
 'кафе',
 'свежая выпечка',
 'monty cafe',
 'шантимэль',
 'кафе',
 'кафе',
 'белый лебедь',
 'ваня',
 'sushi case',
 'киоск фастфудной продукции',
 'family cafe mayak',
 'стейки bar-b-que',
 'дом плова',
 'крошка картошка',
 'ресторан',
 'узбекские кафе',
 'маракуйя',
 'батон кофетон',
 'кафе-хинкальная батоно',
 'халяль',
 'хлеба&зрелищ',
 'сова',
 'мята cyber',
 'катька-запеканка',
 'эскалоп',
 'чайхана. uz',
 'pro порции',
 'теплое место',
 'сундук',
 'сады семирамиды',
 'p3 coffee',
 'чайхона №1',
 'мск lounge',
 'тануки',
 'вistro 3.6',
 'тануки',
 'coffta',
 'шаурма по-братски',
 'семейный ресторан boobo',
 'заказать шашлык на углях',
 'самарканд',
 'фалафель шеф',
 'нуш-аппетит',
 'мск lounge',
 'жара',
 'мосплов',
 'плов центр',
 'маргилан',
 'coffee music',
 "coffeebar'17",
 'узбекские блюда',
 'эспрессо клуб',
 'донер на пятерку',
 'правый берег селигера',
 'зарина',
 'murloftik',
 'кафе',
 'корнер гриль',
 'ne-polezno.ru',
 'coffee bean',
 'кардинал',
 'персе кафе',
 'i coffee',
 'бохо лаундж',
 'шир',
 'бобс кофе',
 'все лень',
 'пончиковая',
 'тануки',
 "coffeekaldi's",
 'крендельок',
 'eat&play',
 'тандыр',
 'chicko',
 'pho bo ha noi',
 'латарт',
 'халяль',
 'татнефть кафе',
 'чойхона',
 'чайхана халяль',
 'халва',
 'колибри',
 'завод',
 'едаки lunch',
 'столовая',
 'лав',
 'пронто',
 'b&b bradu bar',
 'чайхана адияхан',
 'буше',
 'калина',
 'monso',
 'кофе to go',
 'в своей тарелке',
 'выпечка',
 'остров',
 'кафе',
 'кафе пиццетория',
 'энесай',
 'халяль узбекские блюда',
 'кулинария',
 'фьюжн',
 'золотая роща',
 'чито-гврито',
 'кафе-столовая',
 'пармижано',
 'капучино кидс',
 'one price coffee',
 'вах гоги',
 'бульвар',
 'старый город',
 'кофе с собой',
 'kitchen',
 'буханка',
 'шум города',
 'ресторан вкусный хауз',
 'бургер кинг',
 'шашлык.рф',
 'кафе-бар',
 'мангалшашлык',
 'khait food',
 "домино'с пицца",
 'хлебопёкъ',
 'доставка еды чайхона исфисор',
 'чайная',
 'one&double',
 'марfино',
 'amore grande',
 'аладдин-системс',
 'гастро бистро шаверма-братуха',
 '9 bar coffe',
 'ям ям',
 'теремок',
 'чайхана манас',
 'старое место',
 'папа джонс',
 'mio palermo',
 'pitbull_cafe',
 'grace pizza',
 "coffeekaldi's",
 'doner one',
 "cousin's coffee",
 'буфет',
 'кофейня от автора',
 'б12',
 'кафе-бар суши-wolk',
 'бестужев',
 'lutom',
 'пян-се',
 'додо пицца',
 'кофан',
 'нуш донер',
 'донер в пите',
 'лепим и варим',
 'грузинская кухня лело',
 'додо пицца',
 'шаурма',
 'burger club',
 'чайхана зам-зам',
 'теремок',
 'чайхана',
 'шаурмкинг',
 'bunker pub beer',
 'coffee me',
 'угар молодости',
 'cofix',
 'ля фантази',
 'кафе',
 'gourmet lunch',
 "домино'с пицца",
 'bread пит',
 'шаурма и лепёшка',
 'чайхана дегунино',
 'студия 2000',
 'пицца на районе',
 'кафе',
 'бургер бокс',
 'кафе',
 'кафе',
 'релти',
 'шоколадница',
 'cofefest',
 'cofix',
 "coffeekaldi's",
 'яндекс лавка',
 'сушистор',
 'крошка картошка',
 'шоколадка',
 'теремок',
 'я люблю суши',
 'есть, как есть',
 'мекеним kg',
 'два тандыра',
 'кухня на район',
 "домино'с пицца",
 'pizza hut',
 'кафетериус № 6',
 'пицца & гирос & шаурма',
 'поле тëти анжелы',
 'кафе',
 'кафе',
 'турецкая шаурма',
 'маняма',
 'кофе',
 'sova coffee',
 'кафе',
 'кафе 69',
 "домино'с пицца",
 'донер в пите',
 'ресторан',
 'чайхана исфисор',
 'викрама',
 'пекарня, кулинария',
 'park point',
 'клевер ритейл групп',
 'кулинария виктория',
 'лимонадница',
 'арт меню',
 'кафе',
 'пекарня',
 'буханка',
 'ресторан',
 'чебуречная история',
 'пиво пицца',
 'роса',
 'al halal',
 'уют',
 'перекресток',
 'vostok',
 'ho cho pho',
 'шаурма в пите',
 'кафе',
 'торты от сети кофеен шоколадница',
 'kraskovka',
 'кафе',
 'нами',
 'баррейро',
 'кофе',
 'донер24',
 'пловная № 1',
 'de bassus',
 'self cafe',
 'zerno',
 'coffee itself',
 'ели сацебели',
 'сахар&сливки',
 'ош',
 'мск lounge',
 'мама, я в тбилиси',
 'чап-чак',
 'джонджоли',
 'ян примус',
 'чайхана навои халяль',
 'мимино',
 '8 пончиков',
 'енисей',
 'tidö-lindö',
 'космос',
 'оттепель',
 'кебабушки.ру',
 'у бабушки лётчика',
 'домашний вкус',
 'свадьба соек',
 'андерсон на даче',
 'дача',
 'хинкальный дом',
 'zамания',
 'chou do',
 'мимино',
 'хинкальная легенда',
 'хей мам',
 'paul',
 'арарат',
 'московское небо',
 'гастрономическая академия рожниковского',
 'китчен',
 'нейборс',
 'кстати cafe at home',
 'cafe & пельменная',
 'базилик',
 'панчетта',
 'вареничная № 1',
 'кофейня',
 'гастрономическое пространство city food',
 'proжарка',
 'батони',
 'славия',
 'gagawa',
 'грузинские традиции',
 'шоколадница',
 'теремок',
 'cotto',
 'coffee combo',
 'додо пицца',
 'bổ',
 'жarka',
 'bros burritos',
 'хинкали gали',
 'рыбацкая деревня',
 'лавашок',
 'ресторан пронто',
 'кафе ласточка',
 "домино'с пицца",
 'шашлычок',
 'loo chi',
 'островок суши',
 'буханка',
 'марина',
 'vigor maker',
 'восточный уют',
 'джорджио и джорджия',
 'ipho cafe',
 'франклинс бургер',
 'bbq point',
 'очаг',
 'krispy kreme',
 'трэвэлерс кофе',
 'koreana light',
 'остерия трио',
 'wild bean cafe',
 'муза',
 'чайхана',
 'шашлычная-чебуречная',
 'хо',
 "фоб'с",
 'шоколадница',
 'пиццадар',
 'шантарам',
 'пивной',
 'буханка',
 'bakery mart',
 'shagdi',
 'пекарня и кофейня',
 'шаурма',
 'mosweet',
 'скала',
 'домашняя столовая',
 'базилик',
 'чайхона лаззат',
 'крошка картошка',
 'фо бо 83',
 'гедонист',
 'локация',
 'spot poke & bowls',
 'чайхана долина',
 'урожай',
 'ребрышки и крылышки',
 'буханка',
 ...]

df.isna().sum()

name                    0
category                0
address                 0
district                0
hours                 535
lat                     0
lng                     0
rating                  0
price                5088
avg_bill             4587
middle_avg_bill      5254
middle_coffee_cup    7868
chain                   0
seats                3611
seats_category       3611
dtype: int64

pd.DataFrame(round(df.isna().mean()*100,)).style.background_gradient('coolwarm')

	0
name	0.000000
category	0.000000
address	0.000000
district	0.000000
hours	6.000000
lat	0.000000
lng	0.000000
rating	0.000000
price	61.000000
avg_bill	55.000000
middle_avg_bill	63.000000
middle_coffee_cup	94.000000
chain	0.000000
seats	43.000000
seats_category	43.000000

Много пропусков с столбцах hours, price, avg_bill, middle_avg_bill, middle_coffee_cup, seats. Пропуски в данном случае нельзя удалить, так как это может исказить данные.

#создаем столбец street с названиями улиц  из столбцв с адресом

def extract_street(text):
    return text.split(',')[1]

df['street'] = df['address'].apply(extract_street)
df

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	seats_category	street
0	wowфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN	NaN	улица Дыбенко
1	четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	Очень малые (1 - 25)	улица Дыбенко
2	хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	Малые (26 - 50)	Клязьминская улица
3	dormouse coffee shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	NaN	улица Маршала Федоренко
4	иль марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	Крупные (101 - 250)	Правобережная улица
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8401	суши мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	NaN	NaN	NaN	NaN	0	86.0	Средние (51 - 100)	Профсоюзная улица
8402	миславнес	кафе	Москва, Пролетарский проспект, 19, корп. 1	Южный административный округ	ежедневно, 08:00–22:00	55.640875	37.656553	4.8	NaN	NaN	NaN	NaN	0	150.0	Крупные (101 - 250)	Пролетарский проспект
8403	самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	NaN	Средний счёт:от 150 ₽	150.0	NaN	0	150.0	Крупные (101 - 250)	Люблинская улица
8404	чайхана sabr	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	NaN	NaN	NaN	NaN	1	150.0	Крупные (101 - 250)	Люблинская улица
8405	kebab time	кафе	Москва, Россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	NaN	NaN	NaN	NaN	0	12.0	Очень малые (1 - 25)	Россошанский проезд

8403 rows × 16 columns

#создаем столбец is_24_7 для круглосуточных заведений

df['is_24_7'] = df['hours'] == 'ежедневно, круглосуточно'
df['is_24_7'].value_counts()

False    7673
True      730
Name: is_24_7, dtype: int64

df.head(5)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	seats_category	street	is_24_7
0	wowфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN	NaN	улица Дыбенко	False
1	четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	Очень малые (1 - 25)	улица Дыбенко	False
2	хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	Малые (26 - 50)	Клязьминская улица	False
3	dormouse coffee shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	NaN	улица Маршала Федоренко	False
4	иль марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	Крупные (101 - 250)	Правобережная улица	False

Посмотрим на названия дубликатов, которые не являются сетевыми.

df[(df['name'].duplicated()) & (df['chain'] == 0)]['name'].unique()

array(['кафе', 'шаурма', 'ресторан', 'столовая', 'кафе-столовая',
       'мск lounge', 'франклинс бургер', 'буфет', 'кофейня', 'бистро',
       'новая столовая', 'важная персона', 'шаурма в пите', 'ля фантази',
       'гастроферма', 'халва, сеть почтоматов', "домино'с пицца",
       'korean chick', 'one&double', 'кофе стоп', 'шашлычная',
       'pomodoro royal', 'пиццерия', 'здоровое питание', 'гриль хаус',
       'carrots and beans', 'vabene', 'raw to go', 'istanbul kebab',
       'шашлык хаус', 'ku: рамен изакая бар', 'hellopapaya',
       'nova bubble tea', 'советские времена', 'хинкали point',
       'старый город', 'il pizzaiolo', 'блины', 'pinzeria by bontempi',
       'трапезная', 'рамен-клаб', 'хлеб насущный экспресс', 'на углях',
       'папан', 'поминальные обеды', 'ням-ням', 'кофеin',
       'pasta cup & pizza', 'домик в саду', 'wave california poke',
       'кафе для поминок', 'новатор кофе', 'one price coffee', 'han cook',
       'авлабар', 'bb grill', 'noba coffee', 'чудо тандыр', 'рэдимэйд',
       'между булок', 'coffee point', 'семейная пекарня', 'чебуречная',
       'кафе-кулинария', 'i like wine', 'вкусвилл, кафе', 'бишкек сити',
       'чайхона ош сити', 'вьет лотос', 'burger club', 'кафе шашлык',
       'чудо печка', 'токио рамен', 'донер бистро', 'ма ми',
       'ели сацебели', 'espresso bar', 'хочу хычин', 'нэм нэм',
       'pho street', 'донер & гриль', 'di villaggio', 'центр плова',
       'шашлык на углях', 'гюмри хауз', 'чайхана бишкек сити',
       'греки здесь', 'практика кофе'], dtype=object)

Заведения с названиями столовая, ресторани прочие, которые не являются сетевыми, стоит удалить из таблицы. Они могут исказить данные, особенно для выявления топ-15.

remove_from_df = [
        'кафе', 'шаурма', 'ресторан', 'столовая', 'кафе-столовая', 'буфет',
        'кофейня', 'бистро', 'шашлычная', 'пиццерия', 'блины', 'трапезная', 
        'поминальные обеды', 'кафе для поминок', 'чебуречная', 'кафе-кулинария',
        'кафе шашлык'
]

df = df[~df['name'].isin(remove_from_df)].copy()
df

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	seats_category	street	is_24_7
0	wowфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN	NaN	улица Дыбенко	False
1	четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	Очень малые (1 - 25)	улица Дыбенко	False
2	хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	Малые (26 - 50)	Клязьминская улица	False
3	dormouse coffee shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	NaN	улица Маршала Федоренко	False
4	иль марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	Крупные (101 - 250)	Правобережная улица	False
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8401	суши мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	NaN	NaN	NaN	NaN	0	86.0	Средние (51 - 100)	Профсоюзная улица	False
8402	миславнес	кафе	Москва, Пролетарский проспект, 19, корп. 1	Южный административный округ	ежедневно, 08:00–22:00	55.640875	37.656553	4.8	NaN	NaN	NaN	NaN	0	150.0	Крупные (101 - 250)	Пролетарский проспект	False
8403	самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	NaN	Средний счёт:от 150 ₽	150.0	NaN	0	150.0	Крупные (101 - 250)	Люблинская улица	True
8404	чайхана sabr	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	NaN	NaN	NaN	NaN	1	150.0	Крупные (101 - 250)	Люблинская улица	True
8405	kebab time	кафе	Москва, Россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	NaN	NaN	NaN	NaN	0	12.0	Очень малые (1 - 25)	Россошанский проезд	True

8034 rows × 17 columns

Шаг 3. Анализ данных

Категории заведений

Посмотрим, какие категории заведений представлены в данных. Исследуем количество объектов общественного питания по категориям. Построим визуализации.

df.groupby('name') \
    .agg(count=('name', 'count')) \
    .sort_values(by='count', ascending=False) \
    .reset_index() \
    .head(10) \
    .style.background_gradient('coolwarm')

	name	count
0	шоколадница	120
1	домино'с пицца	77
2	додо пицца	74
3	one price coffee	72
4	яндекс лавка	69
5	cofix	65
6	prime	50
7	хинкальная	44
8	кофепорт	42
9	кулинарная лавка братьев караваевых	39

df.query('(name == "кафе" or name == "ресторан" or name == "столовая") and chain == 1')

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	seats_category	street	is_24_7

categories = df.groupby('category')['name'].count().reset_index(name='count').sort_values(by='count', ascending=True)
categories

	category	count
1	булочная	253
7	столовая	274
2	быстрое питание	558
5	пиццерия	629
0	бар,паб	760
4	кофейня	1398
6	ресторан	1998
3	кафе	2164

categories['count'].sum()

8034

fig = px.bar(categories, 
             x = 'count', 
             y='category',
             title='Распределение заведений по категориям',
             template='plotly_white')

fig.update_layout(xaxis_title='Количество',
                  yaxis_title='Категория')
fig.show()

Комметарий:

Всего 8 категорий. Топ-3:

• Наиболее популярна категория кафе: 2376 заведений.
• На втором месте рестораны - 2042.
• Кофейня на третьем - 1413.

Первые три категории составляют 69% от общего числа заведений.

Наименее популярная категория - cтоловые и булочные. Они составляют 6% от общего числа заведений.

Кафе и ресторан являются местом для долгих посиделок, деловых и дружеских встреч, семейных праздников. Они рассчитаны на широкую аудиторию с разнообразным меню и кухней. Могут располагаться почти везде: рядом с деловыми центрами, городскими парками, в спальном районе. Особой популярностью пользуются бизнес-ланчи и завтраки в кафе.

Кофейни сегодня пользуются довольно хорошим спросом в связи с ритмом жизни людей. Сюда заходят ненадолго и чаще всего берут на вынос. Подходят для недолгих встреч, быстрых обедов с кофе, но меню содержит ограниченное количество блюд - в основном, это выпечка и десерты.

Бары (764) пользуются спросом у молодежи и людей средних лет. Актуально для встреч коллег после рабочего дня, для встречи с друзьями.

Пиццерия (633) обладает ограниченным ассортиментом и работает на доставку.

Быстрое питание (603) обычно находятся в торговых центрах, бизнес-центрах, где люди питаются между делами.

Столовые (315) обычно располагаются рядом с университетами, школами, государственными учреждениями, где есть большой поток людей.

Булочные (256) на на последнем месте(256 заведений). Подходит для быстрого перекуса или покупкой выпечки после рабочего дня.

Количество посадочных мест по категориям

# возьмем медианное количество посадочных мест 

seats_category = df.groupby('category')['seats'].median().reset_index(name='count').sort_values(by='count', ascending=False)
seats_category

	category	count
6	ресторан	86.0
0	бар,паб	83.0
4	кофейня	80.0
7	столовая	80.0
2	быстрое питание	65.0
3	кафе	60.0
5	пиццерия	55.0
1	булочная	50.0

fig = px.bar(seats_category,
             x='category',
             y='count',
             title='Количество посадочных мест по категориям',
             template='plotly_white',
             color='category'

)

fig.update_layout(
    yaxis_title='Количество посадочных мест',
    xaxis_title='Категория заведения',
    xaxis_tickangle=-45,
    showlegend=False  
    )
  
fig.show()

    

• Больших отличий нет, особенно среди ресторанов, баров и кофеен.
• Рестораны могут иметь большую площадь для удобства гостей, так же, как и посадочных мест.
• Наименьшее количество посадочных мест в булочной и пиццерии, что логично. Булочная предполагают заказ на вынос, а пиццерия доставку.

Соотношение сетевых и несетевых заведений

chain_counts = df['chain'].value_counts()
chain_counts

0    4833
1    3201
Name: chain, dtype: int64

plt.figure(figsize=(10, 6))

plt.subplot(1, 2, 1)
plt.pie(chain_counts, 
        labels=['Несетевые', 'Сетевые'], 
        autopct='%1.1f%%',
        colors=['orange','skyblue'],
        startangle=90)
plt.title('Соотношение типов заведений')

plt.subplot(1, 2, 2)
chain_counts.plot(kind='bar', color=['orange','skyblue'])
plt.xticks([0, 1], ['Несетевые', 'Сетевые'], rotation=0)
plt.title('Количество заведений')
plt.ylabel('Количество')

plt.tight_layout()
plt.show()

• Несетевых заведений больше - 5199 заведений, а сетевых 3203.

Какие категории заведений чаще являются сетевыми?

# Создаем перекрестную таблицу
chain_category = pd.crosstab(df['category'], df['chain'])
chain_category.columns = ['Несетевое', 'Сетевое']
chain_category

	Несетевое	Сетевое
category
бар,паб	592	168
булочная	96	157
быстрое питание	326	232
кафе	1386	778
кофейня	678	720
пиццерия	299	330
ресторан	1269	729
столовая	187	87

chain_melted  = chain_category.reset_index().melt(
    id_vars='category', 
    value_vars=['Несетевое', 'Сетевое'],
    var_name='Тип заведения',
    value_name='Количество'
)
chain_melted

	category	Тип заведения	Количество
0	бар,паб	Несетевое	592
1	булочная	Несетевое	96
2	быстрое питание	Несетевое	326
3	кафе	Несетевое	1386
4	кофейня	Несетевое	678
5	пиццерия	Несетевое	299
6	ресторан	Несетевое	1269
7	столовая	Несетевое	187
8	бар,паб	Сетевое	168
9	булочная	Сетевое	157
10	быстрое питание	Сетевое	232
11	кафе	Сетевое	778
12	кофейня	Сетевое	720
13	пиццерия	Сетевое	330
14	ресторан	Сетевое	729
15	столовая	Сетевое	87

total_counts = chain_melted.groupby('category')['Количество'].transform('sum')
chain_melted['Процент'] = chain_melted['Количество'] / total_counts * 100
chain_melted

	category	Тип заведения	Количество	Процент
0	бар,паб	Несетевое	592	77.894737
1	булочная	Несетевое	96	37.944664
2	быстрое питание	Несетевое	326	58.422939
3	кафе	Несетевое	1386	64.048059
4	кофейня	Несетевое	678	48.497854
5	пиццерия	Несетевое	299	47.535771
6	ресторан	Несетевое	1269	63.513514
7	столовая	Несетевое	187	68.248175
8	бар,паб	Сетевое	168	22.105263
9	булочная	Сетевое	157	62.055336
10	быстрое питание	Сетевое	232	41.577061
11	кафе	Сетевое	778	35.951941
12	кофейня	Сетевое	720	51.502146
13	пиццерия	Сетевое	330	52.464229
14	ресторан	Сетевое	729	36.486486
15	столовая	Сетевое	87	31.751825

fig = px.bar(
    chain_melted,
    x='category',
    y='Количество',
    color='Тип заведения',
    title='Распределение сетевых и несетевых заведений по категориям',
    labels={'category': 'Категория заведения'},
    template='plotly_white',
    text=chain_melted['Процент'].apply(lambda x: f'{x:.1f}%'))

fig.update_layout(
    xaxis_tickangle=-45,
    xaxis={'categoryorder':'total descending'}
)



fig.show()

• В категориях кофейня (51%), пиццерия (52.1%) и булочная (61.3%) сетевых заведений чуть больше, чем несетевых, что отличает эти категории от остальных. Возможно, причинами этого являются готовый бизнес с минимальными вложениями, довольно простая организация и управление по сравнению с другими категориями (кофе, готовая выпечка, единый рецепт пиццы). Также люди, возможно, люди охотнее идут в сетевые заведения данной категории из-за доверия к компании.
• Наибольший процент несетевых заведений - в категории бар, паб(78%), так же столовая(72.1%), что вполне обоснованно, так как бары чаще всего имеют свой уникальный стиль и неповторимую атмосферу, чтобы повышать лояльность, степень комфорта посетителей. А столовые ориентируются на локальный опыт и быстрое питание, однако столовые тоже должны выделяться среди остальных и иметь свою изюминку.

Топ-15 популярных сетей в Москве

top_15 = (
    df[df['chain'] == 1]
    ['name']
    .value_counts()
    .head(15)
    .reset_index()
)
top_15.columns = ['name', 'count']
top_15

	name	count
0	шоколадница	120
1	домино'с пицца	76
2	додо пицца	74
3	one price coffee	71
4	яндекс лавка	69
5	cofix	65
6	prime	50
7	хинкальная	44
8	кофепорт	42
9	кулинарная лавка братьев караваевых	39
10	теремок	38
11	чайхана	37
12	буханка	32
13	cofefest	32
14	му-му	27

fig = px.bar(
    top_15, 
    x='name', 
    y='count', 
    title='Топ-15 популярных сетей в Москве',
    labels={'name':'Название заведения', 'count':'Количество'},
    template='plotly_white',
    color='name'

)
    
fig.update_layout(
    yaxis_title='Количество заведений в сети',
    xaxis_title='Название сети',
    xaxis_tickangle=-45,
    showlegend=False

)


fig.show()

• Сеть Шоколадница составляет 14% от количества всех сетей из топ-15 (120).
• Топ-15 сетей Москвы занимают почти 10% от всех заведений города.

Общий признак, который объединяет эти сети - шаговая доступность от общественного транспорта (метро, автобусы) и расположение в районе с большим потоком людей. Также стоит отметить предельный уровень среднего чека, что благоприятно влияет на покупательную способность населения (предсказуемость цен при посещении, что облегчает выбор для людей). Часто люди выбирают знакомые места в незнакомых местах.

df_chain = df[df['chain'] == 1]
top_15 = df_chain.groupby('name').agg({'rating' : 'median', 'category' : pd.Series.mode, 'district' : 'count'})
top_15 = top_15.rename(columns={'district':'count'})
top_15 = top_15.sort_values('count', ascending = False).reset_index().head(15)
top_15

	name	rating	category	count
0	шоколадница	4.20	кофейня	120
1	домино'с пицца	4.20	пиццерия	76
2	додо пицца	4.30	пиццерия	74
3	one price coffee	4.20	кофейня	71
4	яндекс лавка	4.00	ресторан	69
5	cofix	4.10	кофейня	65
6	prime	4.20	ресторан	50
7	хинкальная	4.40	кафе	44
8	кофепорт	4.20	кофейня	42
9	кулинарная лавка братьев караваевых	4.40	кафе	39
10	теремок	4.10	ресторан	38
11	чайхана	4.10	кафе	37
12	cofefest	4.05	кофейня	32
13	буханка	4.40	булочная	32
14	му-му	4.30	кафе	27

top15_category = top_15.groupby('category')['count'].sum().reset_index()

fig = px.bar(
    top15_category,
    x='category',
    y='count',
    title='Распределение топ-15 сетей по типам заведений',
    labels={'category': 'Тип заведения', 'count': 'Количество объектов'},
    color='category',  
    template='plotly_white'
)

fig.update_layout(
    xaxis_tickangle=-45, 
    yaxis_title='Количество заведений',
    showlegend=False,
    xaxis={'categoryorder': 'total descending'}
     
)

fig.show()

Комментарий:

• Категория кофейня - самый популярный тип заведения из Топ-15 (330 кофеен)
• Ресторан, пиццерия, кафе ненамного - 147-157 заведений.
• Булочная на последнем месте - 32.

Кофейни популярны, потому что сочетают в себе функциональность (кофе + еда + работа). К тому же особая атмосфера, любовь к кофе и привычка создавать себе ритуал делают кофейни более востребованными в обществе.

Административные районы Москвы. Общее количество заведений и количество заведений каждой категории по районам.

district_count = df['district'].value_counts().reset_index()
district_count.columns = ['district', 'total_count']

district_count

	district	total_count
0	Центральный административный округ	2213
1	Северный административный округ	856
2	Южный административный округ	854
3	Северо-Восточный административный округ	847
4	Западный административный округ	807
5	Восточный административный округ	741
6	Юго-Западный административный округ	676
7	Юго-Восточный административный округ	664
8	Северо-Западный административный округ	376

district_chain_df = df.groupby(['district', 'category']).agg({'rating' : 'median', 'name' : 'count'})
district_chain_df = district_chain_df.sort_values('rating', ascending = False).reset_index()
district_chain_df = district_chain_df.rename(columns={'name':'count'})
district_chain_df.head()

	district	category	rating	count
0	Центральный административный округ	бар,паб	4.5	363
1	Западный административный округ	бар,паб	4.5	50
2	Северо-Западный административный округ	бар,паб	4.4	23
3	Центральный административный округ	ресторан	4.4	666
4	Центральный административный округ	пиццерия	4.4	111

fig = px.bar(district_chain_df,
             x='count',
             y='district',
             template='plotly_white',                    
             color='category'
            )

fig.update_layout(title='Количество заведений каждой категории по районам',
                   xaxis_title='Количество заведений',
                   yaxis_title='Название района',
                   yaxis={'categoryorder':'total ascending'}
                 )
fig.show()

• Больше всего заведений в ЦАО - их тут 2242.
• САО, ЮАО, СВАО примерно на одном уровне - 890-898.
• ЗАО - 850.
• ВАО, ЮЗАО, ЮВАО в диапазоне 709-798.
• Низкой привлекательностью пользуется СЗВО, где заведений 409.

В центральном административном округе сосредоточены офисы, туристические достопримечательности, бизнес-центры. Значит, там большая проходимость. Развитая инфраструктура так же играет ключевую роль: общественный транспорт, удобные пешеходные переходы, развлекательные объекты. Здесь высокая конкуренция, но разнообразие заведений только привлекает поток посетителей. Оплата аренды выше, но есть большая вероятность окупиться.

Распределение средних рейтингов по категориям заведений

avg_rating_category = round(df.groupby('category')['rating'].mean().reset_index(), 2).sort_values(by='rating', ascending=False)
avg_rating_category

	category	rating
0	бар,паб	4.39
5	пиццерия	4.30
6	ресторан	4.29
4	кофейня	4.28
1	булочная	4.27
7	столовая	4.21
3	кафе	4.15
2	быстрое питание	4.06

fig = px.bar(
    avg_rating_category, 
    x='category', 
    y='rating', 
    color ='category',
    title='Средний рейтинг по категориям заведений',
    labels={'category':'Категория заведения', 'rating':'Рейтинг'},
    template='plotly_white'

)
    
fig.update_layout(
  
    xaxis_tickangle=-45,
    yaxis_range=[avg_rating_category['rating'].min() - 0.2, 
                 avg_rating_category['rating'].max() + 0.2], 
    showlegend = False
)


fig.show()

• Больших различий в рейтингах заведений нет.
• Бары имеют лучший средний рейтинг среди заведений Москвы (4.39). Возможно, развлекательные заведения оставляют чаще остальных оставляют хорошее впечатление. Напитки в барах создаются топовыми барменами, они обучаются в лучших школах. Высокий рейтинг - это результат комплексного подхода и создание уникального опыта.
• Пиццерия на втором месте. Причины могут быть разные, но, предположительно, про хорошую пиццерию люди должны знать, поэтому посетители чаще оставляют отзывы и ставят рейтинги. Пиццерия ориентируется на одном блюде, и важно, чтобы людям действительно нравилось и им хотелось заказать пиццу в проверенном месте на все случаи жизни за приемлемую стоимость.
• Быстрое питание имеет наименьший рейтинг из топа. Возможные причины: люди едят на ходу, покупают и разочаровываются. Может быть дело в качестве продуктов, проблемы с обслуживанием, антисанитария и пр.

Фоновая картограмма (хороплет) со средним рейтингом заведений каждого района

rating_df = df.groupby('district', as_index=False)['rating'].agg('mean').round(2)
rating_df

	district	rating
0	Восточный административный округ	4.19
1	Западный административный округ	4.19
2	Северный административный округ	4.25
3	Северо-Восточный административный округ	4.16
4	Северо-Западный административный округ	4.23
5	Центральный административный округ	4.38
6	Юго-Восточный административный округ	4.12
7	Юго-Западный административный округ	4.19
8	Южный административный округ	4.19

rating_df = df.groupby('district', as_index=False)['rating'].agg('mean').round(2)
rating_df
with open('/datasets/admin_level_geomap.geojson', 'r') as f:
    geo_json = json.load(f)

state_geo = '/datasets/admin_level_geomap.geojson'
moscow_lat, moscow_lng = 55.751244, 37.618423

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10,  tiles='Cartodb Positron')

Choropleth(
    geo_data=state_geo,
    data=rating_df,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlOrRd',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам',
).add_to(m)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

В ЦАО за рейтинг самый высокий - 4.38.

Заведения датасета на карте

m = folium.Map([55.751244, 37.618423], zoom_start=8)
heatmap = df[['lat','lng']]
m.add_child(plugins.HeatMap(heatmap, radius=14))
m    
marker_cluster = MarkerCluster().add_to(m)


def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

df.apply(create_clusters, axis=1)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

По карте наглядно видно, что больше всего заведений в центре Москвы, т.е. в ЦАО.

Топ-15 улиц по количеству заведений

top_streets = df.groupby('street').agg(count=('name', 'count')).sort_values(
    'count', ascending=False).head(15).index.tolist()

street_cat = df[df['street'].isin(top_streets)].groupby(['street', 'category'], as_index=False).agg(
    count=('street', 'count')).sort_values('count', ascending=False)
street_cat

	street	category	count
92	проспект Мира	кафе	52
95	проспект Мира	ресторан	44
62	МКАД	кафе	36
93	проспект Мира	кофейня	35
87	проспект Вернадского	ресторан	33
...	...	...	...
88	проспект Вернадского	столовая	1
82	проспект Вернадского	булочная	1
58	Люблинская улица	пиццерия	1
65	МКАД	столовая	1
55	Люблинская улица	быстрое питание	1

110 rows × 3 columns

fig = px.bar(
    street_cat, 
    x='count', 
    y='street', 
    color ='category',
    title='Топ-15 улиц по количеству заведений и их категории',
    labels={'category':'Категория', 'count':'Количество заведений'},
    template='plotly_white'

)
    
fig.update_layout(
    xaxis_title='Количество заведений',
    yaxis_title='Название улиц',
    yaxis={'categoryorder':'total ascending'},
    xaxis_tickangle=-45

)


fig.show()

Комментарий:

• Больше всего заведений на проспекте мира.
• Здесь преобладают кафе, рестораны и кофейни.
• На улицах Профсоюзная, Ленинградский и проспекте Вернадского больше 100 заведений.
• По категориям преобладают те же типы заведений.

Проспект Мира является одной из главных радиальных проспектов Москвы, здесь состредоточены исторические достопримечательноси, важные траспортные узлы, развитая инфраструктура, престижный уровень жизни. Соединяет ключевые районы: Центр, Алексеевский, Ростокино, ВДНХ, Останкино. Вполне логично, что проспект Мира на первом месте.

Почти то же самое можно сказать и о других популярных улицах - это крупные траспортные магистрали Москвы. Эти улицы соединяют разные части города и влияют на логистику города и жизнь миллионов людей.

Улицы, на которых находится только один объект общепита.

single_object = df['street'].value_counts().reset_index()
single_object.columns = ['street_name', 'cafe_count']
single_object = single_object[single_object['cafe_count'] == 1]
single_object

	street_name	cafe_count
957	парк Алтуфьево	1
958	№ 7	1
959	проспект Лихачёва	1
960	улица Габричевского	1
961	улица Вешних Вод	1
...	...	...
1407	Маленковская улица	1
1408	2-я Рощинская улица	1
1409	Симферопольский проезд	1
1410	улица Луиджи Лонго	1
1411	4-й Воробьёвский проезд	1

455 rows × 2 columns

single_objects = df[df['street'].isin(single_object['street_name'])]

district_category_counts = (single_objects
                          .groupby(['district', 'category'], as_index=False)
                          .size()
                          .rename(columns={0: 'count'}))
# Сортируем округа по общему количеству одиночных заведений
district_order = single_objects['district'].value_counts().index
district_category_counts['district'] = pd.Categorical(district_category_counts['district'], 
                                             categories=district_order, 
                                             ordered=True)

fig = px.bar(
    district_category_counts,
    x='size',
    y='district',
    color='category',
    title='Распределение одиночных заведений по округам и категориям',
    labels={'size': 'Количество заведений', 'district': 'Округ'},
    height=600,
    template='plotly_white'

)

fig.update_layout(
    xaxis_title='Количество заведений',
    yaxis_title='Округ',
    legend_title='Категория',
    yaxis={'categoryorder': 'total ascending'})


fig.show()

Комментарий:

• В ЦАО больше всего одиночных заведений. Чаще всего это кафе, ресторан и кофейня.
• В остальных округах лидирует кафе, кроме СЗАО.

В общем, ЦАО по количеству заведений лидирует, поэтому среди одиночных заведений стоит на первом месте.

Возможные причины, почему на некоторых улицах Москвы может быть только по одному заведению:

• новые районы с застройками, которые еще не успели развиться;
• низкий трафик;
• юридические ограничения: сложности с получением развершения и т.д. и пр.

avg_bill = df.groupby('district', as_index=False).agg(
    avg_bill=('middle_avg_bill', 'mean'))
avg_bill['avg_bill'] = round(avg_bill['avg_bill'], 2)
avg_bill

	district	avg_bill
0	Восточный административный округ	830.33
1	Западный административный округ	1056.27
2	Северный административный округ	936.25
3	Северо-Восточный административный округ	719.57
4	Северо-Западный административный округ	822.69
5	Центральный административный округ	1192.72
6	Юго-Восточный административный округ	658.93
7	Юго-Западный административный округ	796.81
8	Южный административный округ	730.48

state_geo = '/datasets/admin_level_geomap.geojson'
moscow_lat, moscow_lng = 55.751244, 37.618423

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

Choropleth(
    geo_data=state_geo,
    data=avg_bill,
    columns=['district', 'avg_bill'],
    key_on='feature.name',
    fill_color='YlOrRd',
    fill_opacity=0.8,
    legend_name='Медианная стоимость среднего чека по районам',
).add_to(m)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

• Ожидаемо медианная стоимость среднего чека выше в Центральном административном округе.
• Чуть ниже в Западном административном округе.
• Самая низкая стоимость в Южном административном округе.

Отдаленность от центра довольно сильно влияет на ценовой диапазон (примерно на 1.5-2 раза).

Выводы:

• Наиболее популярна категория кафе: 2376 заведений. На втором месте рестораны - 2042. Кофейня на третьем - 1413.
• Рестораны, бары и кофейни имеет больше всего посадочных мест.
• Несетевых заведений больше - 5199 заведений, а сетевых 3203.
• В категориях кофейня (51%), пиццерия (52.1%) и булочная (61.3%) сетевых заведений чуть больше, чем несетевых.
• Наибольший процент несетевых заведений - в категории бар, паб(78%), так же столовая(72.1%)
• Топ-15 сетей Москвы занимают почти 10% от всех заведений города.
• Больше всего заведений в ЦАО - их тут 2242.
• Бары имеют лучший средний рейтинг среди заведений Москвы (4.39)
• Быстрое питание имеет наименьший рейтинг из топа.
• Больше всего заведений на проспекте мира. Здесь преобладают кафе, рестораны и кофейни.
• 455 улиц, где только 1 заведение. Чаще всего это кафе.
• Медианная стоимость среднего чека выше в Центральном административном округе.

Шаг 4. Детализируем исследование: открытие кофейни

• Сколько всего кофеен в датасете?
• В каких районах их больше всего, каковы особенности их расположения?
• Есть ли круглосуточные кофейни?
• Какие у кофеен рейтинги? Как они распределяются по районам?
• На какую стоимость чашки капучино стоит ориентироваться при открытии и почему?

Количество кофеен и их расположение

coffee_count = df[df['category'] == 'кофейня']
print(f"Всего кофеен в датасете: {coffee_count.shape[0]}")

Всего кофеен в датасете: 1398

coffee_by_district = df[df['category'] == 'кофейня'].groupby('district', as_index=False) \
    .size() \
    .sort_values('size', ascending=False) 

print("Районы с наибольшим количеством кофеен:")
print(coffee_by_district.reset_index())

Районы с наибольшим количеством кофеен:
   index                                 district  size
0      5       Центральный административный округ   426
1      2          Северный административный округ   191
2      3  Северо-Восточный административный округ   156
3      1          Западный административный округ   147
4      8             Южный административный округ   129
5      0         Восточный административный округ   105
6      7      Юго-Западный административный округ    95
7      6     Юго-Восточный административный округ    88
8      4   Северо-Западный административный округ    61

# создаём карту Москвы
m3 = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m3)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
coffee_count.apply(create_clusters, axis=1)

# выводим карту
m3

Make this Notebook Trusted to load map: File -> Trust Notebook

Комментарий: В центре ожидаемо много кофеен, большая концентрация и максимальный трафик наблюдается в основном:

• рядом с транпортными узлами (метро, автобусные остановки, вокзалы);
• вблизи бизнес-центров
• в торговых центрах
• рядом с площадями, парками
• с достопримечательностями, историческими местами.

Набрали популярность в последние годы скрытые кофейни, которые располагаются во дворах, создавая особу атмосферу для посетителей. Возможно, стоит обратить внимание на такой формат.

Центр привлекателен высокой проходимость и особенностей потребительского поведения: большинство берут кофе на вынос или сидят в кофейнях, создавая себе место для работы.

Круглосуточные кофейни

day_n_night = df.query('hours == "ежедневно, круглосуточно" and category == "кофейня"')

coffee_shops = day_n_night.groupby('district').agg(count=('name', 'count')).reset_index()

print(f'Количество круглосуточных кофеен: {coffee_shops["count"].sum()}')

Количество круглосуточных кофеен: 59

fig = px.bar(
    data_frame=coffee_shops.sort_values('count', ascending=False),
    x='count', y='district',
    title='Количество круглосуточных кофеен по районам',
    height=450
)

fig.update_layout(
    legend_title='Район',
    template='plotly_white',
    xaxis_title='Количество заведений',
    yaxis_title='Название района',
    xaxis_tickangle=-45,
    yaxis={'categoryorder':'total ascending'}
           )
fig.show()

Круглосуточных кофеен больше всего в ЦАО, но количество довольно мало - 26.

cafe_rating_cost = df.groupby(by='district', as_index=False).agg(
    count=('rating', 'mean'), avg_cup=('middle_coffee_cup', 'mean'))
cafe_rating_cost['count'] = round(cafe_rating_cost['count'], 2)
cafe_rating_cost['avg_cup'] = round(cafe_rating_cost['avg_cup'])
cafe_rating_cost.sort_values('avg_cup', ascending=False)

	district	count	avg_cup
1	Западный административный округ	4.19	190.0
5	Центральный административный округ	4.38	188.0
7	Юго-Западный административный округ	4.19	183.0
0	Восточный административный округ	4.19	174.0
2	Северный административный округ	4.25	165.0
3	Северо-Восточный административный округ	4.16	165.0
4	Северо-Западный административный округ	4.23	160.0
8	Южный административный округ	4.19	158.0
6	Юго-Восточный административный округ	4.12	151.0

fig_rating = px.bar(
    cafe_rating_cost,
    x='count',
    y='district',
    title='Средний рейтинг кофеен по округам Москвы',
    labels={'count': 'Средний рейтинг', 'district': 'Округ'},
    color='count',
    color_continuous_scale='Blues',
    text='count'
)

fig_rating.update_layout(
    yaxis={'categoryorder': 'total ascending'},
    xaxis_range=[0, 5],  
    coloraxis_showscale=False
)
fig_rating.update_traces(texttemplate='%{text:.2f}', textposition='outside')
fig_rating.show()

• Центральный административный округ показывает наилучший рейтинг среди остальных.
• Чуть ниже в Северо-Западном административном округе.

Заведения вынуждены поддерживать высокие стандарты и тщательнее следят за отзывами. Посетители чаще оставляют отзывы в центре и ценовая политика выше, чем в других районах. Также , возможно, в центре чаще проводятся проверки качества соответствующими органами. Комплексный подход заведений благоприятно влияют на рейтинги.

fig_price = px.bar(
    cafe_rating_cost,
    x='avg_cup',
    y='district',
    title='Средняя цена кофе по округам Москвы',
    labels={'avg_cup': 'Средняя цена (руб)', 'district': 'Округ'},
    color='avg_cup',
    color_continuous_scale='Reds',
    text='avg_cup'
)

fig_price.update_layout(
    yaxis={'categoryorder': 'total ascending'},
    coloraxis_showscale=False
)
fig_price.update_traces(texttemplate='%{text} руб', textposition='outside')
fig_price.show()

• В ЗАО чашка кофе стоит дороже, чем в ЦАО.
• На втором месте ЦАО.
• Далее идет ЮЗАО.

Это возможный показатель перспективности Западной административной области. Конкуренция чуть ниже, чем в ЦАО, лояльная аренда, растущий спрос.

Выводы и рекомендации

• При открытии кофейни стоит ориентироваться на среднюю цену кофе по району.
• Рекомендуемые районы: ЦАО, ЗАО и ЮЗАО.
• В ЗАО самая высокая стоимость чашки капучино - 190 рублей.
• Далее идут ЗАО 188 и ЮЗАО 183.
• Спрос на кофе растет, судя по данным из https://wordstat.yandex.ru/. Развитие культуры кофе сказывается на запросы в поисковиках.
• Центральный административный округ показывает наилучший рейтинг среди остальных.
• Чуть ниже в Северо-Западном административном округе. Кофейни тщательно следят за отзывами и рейтингами.
• Наблюдается дефицит круглосуточных кофеен, но они не предполагают ночной работы, поэтому вполне оправданно.
• Кофейни составляют 16% от всех категорий, что довольно хороший показатель.
• 51% кофеен являются сетевыми, стоит исследовать сетевые заведения.
• В топ-15 целых 5 кофеен, на первом месте Шоколадница.
• Перед открытием стоит учитывать плотность населения, покупательскую способность, перспективные строящиеся районы.

https://docs.google.com/presentation/d/1N0feHP_dmexAiWYm3TCiyJs9Awpo2IUD3MFMIWXoGCs/edit?usp=sharing